圖像特征的提取與分類一直是計算機強覺領(lǐng)域的一個基礎(chǔ)而重要的研究方向。卷積神經(jīng)網(wǎng)絡(luò)（ Convolutional Neural　Network，CNN）提供了一種端到端的學習模型，模型中的參數(shù)可以通過傳統(tǒng)的梯度下降方法進行訓練，經(jīng)過訓練的卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習到圖像中的特征，并且完成對圖像特征的提取和分類。作為神經(jīng)網(wǎng)絡(luò)領(lǐng)域的一個重要研究分支，卷積神經(jīng)網(wǎng)絡(luò)的特點在于其每一層的特征都由上一層的局部區(qū)域通過共享權(quán)值的卷積核激勵得到。這一特點使得卷積神經(jīng)網(wǎng)絡(luò)相比于其他神經(jīng)網(wǎng)絡(luò)方法更適合應(yīng)用于圖像特征的學習與表達。

　　早期的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)相對簡單，如經(jīng)典的LeNet-5模型，主要應(yīng)用在手寫字符識別、圖像分類等一些相對單一的計算機視覺應(yīng)用領(lǐng)域中。隨著研究的不斷深入，卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)不斷優(yōu)化，其應(yīng)用領(lǐng)域也逐漸得到延伸。例如，卷積神經(jīng)網(wǎng)絡(luò)與深信度網(wǎng)絡(luò)（ Deep Belief Network，DBN）相結(jié)合產(chǎn)生的卷積深信度網(wǎng)絡(luò)（ Convolutional Deep Belief Network．CDBN）口1作為一種非監(jiān)督的生成模型，被成功地應(yīng)用于人臉特征提取；AlexNet在海量圖像分類領(lǐng)域取得了奕破性的成果；基于區(qū)域特征提取的R-CNN（ Regions with CNN）在目標檢測領(lǐng)域取得了成功；全卷積網(wǎng)絡(luò)（ Fully Convolutional　Network，F(xiàn)CN）口1實現(xiàn)了端到端的圖像語義分割，并且在準確率上大幅超越了傳統(tǒng)的語義分割算法。近年來，卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)研究仍然有著很高的熱度，一些具有優(yōu)秀性能的網(wǎng)絡(luò)結(jié)構(gòu)被提出哺。并且，隨著遷移學習理論在卷積神經(jīng)網(wǎng)絡(luò)上的成功應(yīng)用，卷積神經(jīng)網(wǎng)絡(luò)的應(yīng)用領(lǐng)域得到了進一步的擴展。卷積神經(jīng)網(wǎng)絡(luò)在各個領(lǐng)域不斷涌現(xiàn)出來的研究成果，使其成為了當前最受關(guān)注的研究熱點之一。